- ICML拉普拉斯正则化少样本学习
本文提出了一种基于拉普拉斯正则化的推导式推理方法，用于 few-shot 任务中的图聚类，以支持来自支持集的监督性约束。实验结果表明，在五个 few-shot 学习基准测试中，LaplacianShot 方法具有显著优于现有方法的性能表现。
- Graph-Bert: 仅需注意力即可学习图形表示
本文提出了一种新的基于注意力机制的图神经网络 GRAPH-BERT，通过在局部上下文中训练采样的无链接子图来学习 GRAPH-BERT，进而在节点分类和图聚类任务中通过微调 GRAPH-BERT 取得了良好的效果。
- 在聚类价值和可解释性之间平衡权衡
本文提出了一种可解释性的聚类算法，该算法通过优化可解释性，生成具有解释性的聚类，并使用频繁模式挖掘生成简单的说明，该算法适用于具有特征价值的大规模数据集。
- 异质深度图卷积网络
本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。
- IJCAI属性图聚类：深度注意力嵌入方法
本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。
- KDDCluster-GCN：一个用于训练深度和大型图卷积网络的高效算法
本文介绍了 Cluster-GCN 算法，通过利用图聚类结构，将邻域搜索限制在一个由图聚类算法确定的密集子图中，从而实现大规模 GCN 的 SGD 训练，在保证可比性测试精度的情况下显著提高了内存和计算效率。
- 采用对抗训练方法学习图嵌入
该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adv - NIPS一个用于图聚类的流算法
我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。
- 分布式图聚类与稀疏化
本文提出了一个简单的分布式算法，基于采样方案将输入的密集图转化为稀疏的子图，并在多项式对数回合内完成图的聚类，同时具有高效的实现和处理大数据集的广泛应用。
- 基于图聚类的实用攻击
本文研究了图建模在解决安全问题方面的能力，重点是对抗机器学习中尚未解决的问题进行了探讨：基于图聚类技术和全局特征空间的对抗性攻击，同时提出了对抗性攻击的防御策略。
- graph2vec：学习图的分布式表示
本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。
- ICML容量释放扩散 —— 为了速度和本地性
提出了一种更快且更本地的 Capacity Releasing Diffusion (CRD) Process 并将其用于改进本地图聚类算法，该算法能够在开始 CRD 过程的聚类模型中找到内部连接更好而不是外部连接更好的聚类，是第一个不受二 - WWW可扩展的基于模式的图聚类
本研究基于图形图案研究了新的图聚类方法，特别是针对三角形图案的发现，扩展了已有的聚类方法，包括谱聚类，以最小化由聚类划分而不是由边缘切割的三角形数量。研究结果表明，我们的方法在机器学习和图形挖掘中具有良好的现实效果。
- 属性图的聚类：模型、度量和方法
该文章是关于图聚类中的属性图的现状调查，总结了最新的研究成果和主要的聚类算法，并且介绍了分析聚类结果的评估方法和当前存在的开放问题。
- 图形群集随机化：网络暴露于多个宇宙
该研究提出了一种利用图聚类进行平均处理效应分析的新方法，包括确定被称作网络曝光的个体的图论条件，并使用聚类随机化算法计算每个顶点在多种曝光情况下的概率，并使用 Horvitz-Thompson 估计量提供无偏的效应估计。同时，该研究还展示了 - 克服图聚类中的小簇障碍
在图聚类中，小集群不会妨碍大集群的恢复，并且设计了一个迭代算法通过削片策略从而几乎恢复出所有集群，同时也给出了针对较小集群邻近边更有针对性地探测的主动学习算法。
- NIPS改善的图聚类
本文提出了一种新算法 —— 最大似然凸化版本，用于解决在随机块模型环境下的社交网络图聚类问题，相较于目前已有算法，本文算法在允许普遍规模的簇大小时的表现高出多项式因子。